ResiMamba：用于高效 MRI 重建的预算约束递归状态驻留机制

基于摘要分析。该研究针对加速 MRI 重建中逐空间 token 执行状态空间递归扫描的计算开销，提出 ResiMamba：仅让预算内选中的少量 token 直接参与递归状态更新，同时通过稠密证据路径保留其余 token 的信息，以调节重建质量与时延。 核心机制是将信息流是否具备承载递归状态的资格，与具体哪些 token 位置实际执行扫描步骤的“驻留”选择分离。可学习分配器在局部窗口固定预算下选择驻留 token；未选中的 token 并非被丢弃，而是经稠密证据路径为缩短后的递归扫描提供条件信息，并参与重建。摘要未给出分配器结构、离散选择的训练方式或损失函数，相关实现尚未验证。 作者报告，在其稀疏递归访问分析中，每个局部窗口仅保留一个驻留 token 即可恢复稠密递归所带来 PSNR 增益的约一半，有效预算为 6.25% 时可恢复超过 80% 的增益，继续增加预算的收益明显递减；这些观察的具体数据集与对照配置尚未验证。作者称在五个 MRI 数据集上进行了评估；其中，在 fastMRI 4× 加速重建条件下，5% 和 20% 预算相对稠密递归分别实现 2.62× 和 2.14× 的端到端加速，PSNR 分别降低 0.10 dB 和 0.02 dB。每种预算均需单独训练为一个运行点，不能据此推断单个模型可在推理时任意切换预算。 复现时需核对数据划分、MRI 采样与输入设置、稠密递归对照、计时硬件及端到端耗时范围，并确认预算分配与稠密路径自身的开销。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时序模型也存在大量冗余递归更新，可假设复用“稀疏状态更新＋稠密证据保留”的机制，但需将空间窗口改为时间或时空窗口，并改造分配器以适应通道结构。低信噪比、短暂 ERP、跨被试差异及小数据可能使分配器漏选关键片段。可在固定被试内划分下比较稠密扫描、均匀稀疏扫描与学习式预算分配，联合测量任务指标和端到端时延；MRI 中的结果不能直接外推为 EEG 收益，已有 EEG 相关工作尚未检索确认。